基于数据仓库和数据挖掘客户忠诚度分析.docVIP

基于数据仓库和数据挖掘客户忠诚度分析 　　[摘要] 随着信息技术不断地发展以及不断地推广应用，数据仓库技术和数据挖掘技术不断地成熟，为管理人员的决策提供支持。本文就以数据仓库技术和数据挖掘技术为基础对企业的客户忠诚度进行分析。 　　[关键词] 数据仓库数据挖掘客户忠诚度 　　 　　客户忠诚度是客户关系管理中的重要概念。客户忠诚是指客户满意后而产生的对某种产品品牌或公司的信赖、维护和希望重复购买的一种心理倾向。表现为两种形式：一种是客户忠诚于企业的意愿；另一种是客户忠诚于企业的行为。前者对于企业来说本身并不产生直接的价值，而后者则对企业来说非常具有价值。 　　 　　一、数据仓库技术在客户忠诚度分析中的应用 　　 　　1.数据仓库（DataWarehouse，简称DW）是一种面向数据应用的数据管理技术，它以关系数据库管理系统（RDBMS）为基础。按照业界公认的数??仓库创始人W.H.Inmon的观点，数据仓库可定义为：“一个面向主题的、集成的随时间变化的非易失的数据集合，用于支持管理层的决策过程”。可以发现数据仓库具有这样的一些重要特性：面向主题性、数据集成性、数据的时变性、数据的非易失性、数据的集合性和支持决策作用。 　　数据仓库技术是企业智能管理的重要基础和手段，已经成为企业级信息管理和决策支持系统建设过程中必要的技术支持。数据仓库是进行客户忠诚度分析的基础。 　　2.数据仓库的实施步骤。数据仓库的设计与传统的OLTP系统设计有较大区别，不但需要设计一个数据库和一个用户接口，还必须设计数据装载策略、数据存取工具和不间断的维护方案。数据仓库的实施步骤： 　　(1)启动项目，确定建立分析客户忠诚度的数据仓库，制定项目计划。建立技术环境，选择实现数据仓库所需要的软硬件资源。 　　(2)确定数据仓库主题。针对客户信息以及客户购买信息等相关的数据仓库，与企业前台部门的业务人员多进行沟通，详细了解业务需求、报表等需求。 　　(3)对客户购买信息进行详细定义，对事实表和维表的关系详细定义。由于客户购买信息数据仓库数据量随时间积累增大，而且随着电子商务的进一步深???，数据量更是激增，所以必须对数据结构进行精心设计，以免随着仓库中数据量快速增长，造成系统分析和查询性能的急剧下降。 　　(4)数据仓库的物理库设计。考虑数据的存储方式，使得系统有较好的性能。完成索引的建立以及数据更新网络的设计。 　　(5)源数据抽取、清洗、整理及装载设计。客户购买信息数据仓库的数据来自企业的前台作业系统以及前台业务部门。这些数据必须根据数据仓库的设计，以统一定义的格式从各个系统抽取出来，经过清理、转换、综合，再经过数据装载和整理程序进入数据仓库。 　　(6)开发支持用户决策的数据分析工具。建立客户购买信息数据仓库的最终目的是为了实现前台部门以及企业高层的决策支持，所以需要各种工具对数据仓库进行访问分析，如优化查询工具、统计分析工具、数据挖掘工具等，通过分析工具实现决策支持需要。 　　(7)维护方案的设计。保证客户信息数据仓库的正常运行，对其进行管理维护，保证系统保持优良的性能。 　　 　　二、据挖掘技术在客户忠诚度分析中的应用 　　 　　1.数据挖掘(Data Mining，简称DM)，简单地讲就是从大量数据中挖掘或抽取出知识。数据挖掘概念的定义描述有若干版本，一个普遍被采用的定义是“数据挖掘，又称为数据库知识发现(Knowledge Discovery from Database，简称KDD)，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。” 　　2.数据挖掘在客户忠诚度分析中常用方法 　　(1)决策树（Decision Tree）决策算法。决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点代表或类分布。决策树算法包括树的构造和树的剪枝，有两种常用的剪枝方法：先剪枝和后剪枝。 　　(2)神经网络（Neural Network）。神经网络是一组连接的输入/输出单元，其中每个连接都与一个权相连，在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。 　　(3)遗传算法（Genetic Algorithms）。遗传算法根据适者生存的原则,形成由当前群体中最适合的规则组成新的群体,以及这些规则的后代。 　　3.数据挖掘在客户忠诚度分析中的应用 　　(1)运用数据挖掘技术，对客户进行细分，提供个性化的服务。因为不同的客户为企业提供的价值不同，企业需要重点服务的是那些能为企业提供高价值的大客户；又因为企业的资源有限，如何针对不同客户进行有限资源的优化应用也是每个企业必须考虑的重要问题，所以有必要对客户进行细